08 多智能体：用 supervisor 组建团队

08.1 先泼盆冷水

我见过太多人，需求明明一个 Agent 能搞定，非要上多智能体。

结果：调试翻倍，成本翻倍，效果没好多少。

先给结论：90% 的场景，单智能体够用。只有下面三种情况才考虑多智能体：

• 任务要不同专业知识（研究 + 写作）
• 要并行处理多个子任务
• 需要不同角色扮演

08.2 层级式：一个主管带几个专家

2025 年底，官方出了 langgraph-supervisor。它把"主管（supervisor）+ 多个专家"的层级结构封装好了。

from langgraph_supervisor import create_supervisor
from langgraph.prebuilt import create_react_agent

research = create_react_agent(llm, tools=[search_web], name="researcher")
writer = create_react_agent(llm, tools=[draft_doc], name="writer")

workflow = create_supervisor(
    [research, writer],
    model=llm,
    prompt="你是主管，按需把任务派给研究员或写手。",
)
graph = workflow.compile()

create_supervisor 返回的是 StateGraph，.compile() 后就能跑。它内置流式、记忆、人机协同。

08.3 主管怎么"派活"

主管靠"交接工具"（handoff）把任务转给专家：

graph.invoke({
    "messages": "先查一下 LangGraph 最新版本，再写一段介绍。"
})

你可以控制历史怎么保留：

create_supervisor(
    [research, writer],
    model=llm,
    output_mode="last_message",  # 只留专家最终回复，省 token
)

08.4 对比：单 vs 多

维度	单智能体	多智能体（supervisor）
上手难度	低	中
调试成本	低	高
并行能力	弱	强
标叔的结论	默认选它	真复杂才上

核心建议：从单智能体长出来 别一上来就多智能体。先把单 Agent 玩透，需要时才加主管。

▸ 向前桥接 图写腻了？下一章给你一种"少写图"的写法。